金融风控实战——基于时间序列进行特征衍生

import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore")

给大家写了35个函数，我们逐个来看一下

#最近p个月，inv>0的月份数
def Num(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.where(df>0,1,0).sum(axis=1)return inv+'_num'+str(p),auto_value#最近p个月，inv=0的月份数
def Nmz(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.where(df==0,1,0).sum(axis=1)return inv+'_nmz'+str(p),auto_value#最近p个月，inv>0的月份数是否>=1     
def Evr(inv,p):df=data.loc[:,inv+'1':inv+str(p)]arr=np.where(df>0,1,0).sum(axis=1)auto_value = np.where(arr,1,0)return inv+'_evr'+str(p),auto_value    #最近p个月，inv均值
def Avg(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nanmean(df,axis = 1 )return inv+'_avg'+str(p),auto_value    #最近p个月，inv和
def Tot(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nansum(df,axis = 1)return inv+'_tot'+str(p),auto_value  #最近(2,p+1)个月，inv和
def Tot2T(inv,p):df=data.loc[:,inv+'2':inv+str(p+1)]auto_value=df.sum(1)return inv+'_tot2t'+str(p),auto_value  #最近p个月，inv最大值
def Max(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nanmax(df,axis = 1)return inv+'_max'+str(p),auto_value #最近p个月，inv最小值
def Min(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nanmin(df,axis = 1)return inv+'_min'+str(p),auto_value #最近p个月，最近一次inv>0到现在的月份数def Msg(inv,p):df=data.loc[:,inv+'1':inv+str(p)]df_value=np.where(df>0,1,0)auto_value=[]for i in range(len(df_value)):row_value=df_value[i,:]if row_value.max()<=0:indexs='0'auto_value.append(indexs)else:indexs=1for j in row_value:if j>0:breakindexs+=1auto_value.append(indexs)return inv+'_msg'+str(p),auto_value#最近p个月，最近一次inv=0到现在的月份数
def Msz(inv,p):df=data.loc[:,inv+'1':inv+str(p)]df_value=np.where(df==0,1,0)auto_value=[]for i in range(len(df_value)):row_value=df_value[i,:]if row_value.max()<=0:indexs='0'auto_value.append(indexs)else:indexs=1for j in row_value:if j>0:breakindexs+=1auto_value.append(indexs)return inv+'_msz'+str(p),auto_value   #当月inv/(最近p个月inv的均值)
def Cav(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = df[inv+'1']/np.nanmean(df,axis = 1 ) return inv+'_cav'+str(p),auto_value #当月inv/(最近p个月inv的最小值)
def Cmn(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = df[inv+'1']/np.nanmin(df,axis = 1 ) return inv+'_cmn'+str(p),auto_value #最近p个月，每两个月间的inv的增长量的最大值
def Mai(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []for k in range(len(df_value)-1):minus = df_value[k] - df_value[k+1]value_lst.append(minus)auto_value.append(np.nanmax(value_lst))     return inv+'_mai'+str(p),auto_value #最近p个月，每两个月间的inv的减少量的最大值
def Mad(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])      auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []for k in range(len(df_value)-1):minus = df_value[k+1] - df_value[k]value_lst.append(minus)auto_value.append(np.nanmax(value_lst))     return inv+'_mad'+str(p),auto_value #最近p个月，inv的标准差
def Std(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nanstd(df,axis = 1)return inv+'_std'+str(p),auto_value #最近p个月，inv的变异系数
def Cva(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value=np.nanstd(df,axis = 1 )/np.nanmean(df,axis = 1)return inv+'_cva'+str(p),auto_value #(当月inv) - (最近p个月inv的均值)
def Cmm(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = df[inv+'1'] - np.nanmean(df,axis = 1 ) return inv+'_cmm'+str(p),auto_value #(当月inv) - (最近p个月inv的最小值)
def Cnm(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = df[inv+'1'] - np.nanmin(df,axis = 1 ) return inv+'_cnm'+str(p),auto_value #(当月inv) - (最近p个月inv的最大值)
def Cxm(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = df[inv+'1'] - np.nanmax(df,axis = 1 ) return inv+'_cxm'+str(p),auto_value #（ (当月inv) - (最近p个月inv的最大值) ） / (最近p个月inv的最大值) ）
def Cxp(inv,p):df=data.loc[:,inv+'1':inv+str(p)]temp = np.nanmin(df,axis = 1 )auto_value = (df[inv+'1'] - temp )/ tempreturn inv+'_cxp'+str(p),auto_value #最近p个月，inv的极差
def Ran(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = np.nanmax(df,axis = 1 )  -  np.nanmin(df,axis = 1 ) return inv+'_ran'+str(p),auto_value #最近min( Time on book，p )个月中，后一个月相比于前一个月增长了的月份数
def Nci(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []for k in range(len(df_value)-1):minus = df_value[k] - df_value[k+1]value_lst.append(minus)           value_ng = np.where(np.array(value_lst)>0,1,0).sum()auto_value.append(np.nanmax(value_ng))     return inv+'_nci'+str(p),auto_value #最近min( Time on book，p )个月中，后一个月相比于前一个月减少了的月份数
def Ncd(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []for k in range(len(df_value)-1):minus = df_value[k] - df_value[k+1]value_lst.append(minus)           value_ng = np.where(np.array(value_lst)<0,1,0).sum()auto_value.append(np.nanmax(value_ng))     return inv+'_ncd'+str(p),auto_value #最近min( Time on book，p )个月中，相邻月份inv 相等的月份数
def Ncn(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []for k in range(len(df_value)-1):minus = df_value[k] - df_value[k+1]value_lst.append(minus)           value_ng = np.where(np.array(value_lst)==0,1,0).sum()auto_value.append(np.nanmax(value_ng))     return inv+'_ncn'+str(p),auto_value    #If  最近min( Time on book，p )个月中，对任意月份i ，都有 inv[i] > inv[i+1] ，
#即严格递增，且inv > 0则flag = 1 Else flag = 0
def Bup(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []index = 0for k in range(len(df_value)-1):if df_value[k] > df_value[k+1]:breakindex =+ 1if index == p:            value= 1    else:value = 0auto_value.append(value)     return inv+'_bup'+str(p),auto_value   #If  最近min( Time on book，p )个月中，对任意月份i ，都有 inv[i] < inv[i+1] ，
#即严格递减，且inv > 0则flag = 1 Else flag = 0
def Pdn(inv,p):arr=np.array(data.loc[:,inv+'1':inv+str(p)])     auto_value = []for i in range(len(arr)):df_value = arr[i,:]value_lst = []index = 0for k in range(len(df_value)-1):if df_value[k+1] > df_value[k]:breakindex =+ 1if index == p:            value= 1    else:value = 0auto_value.append(value)     return inv+'_pdn'+str(p),auto_value            #最近min( Time on book，p )个月，inv的修剪均值
def Trm(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = []for i in range(len(df)):trm_mean = list(df.loc[i,:])trm_mean.remove(np.nanmax(trm_mean))trm_mean.remove(np.nanmin(trm_mean))temp=np.nanmean(trm_mean) auto_value.append(temp)return inv+'_trm'+str(p),auto_value #( 当月inv - 最近p个月的inv最大值 ) / 最近p个月的inv中的最大值
def Cmx(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = (df[inv+'1'] - np.nanmax(df,axis = 1 )) /np.nanmax(df,axis = 1 ) return inv+'_cmx'+str(p),auto_value #( 当月inv - 最近p个月的inv均值 ) / inv均值
def Cmp(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = (df[inv+'1'] - np.nanmean(df,axis = 1 )) /np.nanmean(df,axis = 1 ) return inv+'_cmp'+str(p),auto_value #( 当月inv - 最近p个月的inv最小值 ) /inv最小值 
def Cnp(inv,p):df=data.loc[:,inv+'1':inv+str(p)]auto_value = (df[inv+'1'] - np.nanmin(df,axis = 1 )) /np.nanmin(df,axis = 1 ) return inv+'_cnp'+str(p),auto_value #最近min( Time on book，p )个月取最大值的月份距现在的月份数
def Msx(inv,p):df=data.loc[:,inv+'1':inv+str(p)]df['_max'] = np.nanmax(df,axis = 1)for i in range(1,p+1):df[inv+str(i)] = list(df[inv+str(i)] == df['_max'])del df['_max']df_value = np.where(df==True,1,0)auto_value=[]for i in range(len(df_value)):row_value=df_value[i,:]indexs=1for j in row_value:if j == 1:breakindexs+=1auto_value.append(indexs)return inv+'_msx'+str(p),auto_value#最近p个月的均值/((p,2p)个月的inv均值)
def Rpp(inv,p):df1=data.loc[:,inv+'1':inv+str(p)]value1=np.nanmean(df1,axis = 1 )df2=data.loc[:,inv+str(p):inv+str(2*p)]value2=np.nanmean(df2,axis = 1 )   auto_value = value1/value2return inv+'_rpp'+str(p),auto_value    #最近p个月的均值 - ((p,2p)个月的inv均值)
def Dpp(inv,p):df1=data.loc[:,inv+'1':inv+str(p)]value1=np.nanmean(df1,axis = 1 )df2=data.loc[:,inv+str(p):inv+str(2*p)]value2=np.nanmean(df2,axis = 1 )   auto_value = value1 - value2return inv+'_dpp'+str(p),auto_value   #(最近p个月的inv最大值)/ (最近(p,2p)个月的inv最大值)
def Mpp(inv,p):df1=data.loc[:,inv+'1':inv+str(p)]value1=np.nanmax(df1,axis = 1 )df2=data.loc[:,inv+str(p):inv+str(2*p)]value2=np.nanmax(df2,axis = 1 )   auto_value = value1/value2return inv+'_mpp'+str(p),auto_value  #(最近p个月的inv最小值)/ (最近(p,2p)个月的inv最小值)
def Npp(inv,p):df1=data.loc[:,inv+'1':inv+str(p)]value1=np.nanmin(df1,axis = 1 )df2=data.loc[:,inv+str(p):inv+str(2*p)]value2=np.nanmin(df2,axis = 1 )   auto_value = value1/value2return inv+'_npp'+str(p),auto_value

下面定义一个函数，直接封装上面的全部函数

 #首先执行下面的全部函数 #定义批量调用双参数的函数        
def auto_var2(inv,p):#global data_newtry:columns_name,values=Num(inv,p)data_new[columns_name]=valuesexcept:print("Num PARSE ERROR",inv,p)try:columns_name,values=Nmz(inv,p)data_new[columns_name]=valuesexcept:print("Nmz PARSE ERROR",inv,p)try:columns_name,values=Evr(inv,p)data_new[columns_name]=valuesexcept:print("Evr PARSE ERROR",inv,p)try:columns_name,values=Avg(inv,p)data_new[columns_name]=valuesexcept:print("Avg PARSE ERROR",inv,p)try:columns_name,values=Tot(inv,p)data_new[columns_name]=valuesexcept:print("Tot PARSE ERROR",inv,p) try:columns_name,values=Tot2T(inv,p)data_new[columns_name]=valuesexcept:print("Tot2T PARSE ERROR",inv,p)        try:columns_name,values=Max(inv,p)data_new[columns_name]=valuesexcept:print("Max PARSE ERROR",inv,p)try:columns_name,values=Min(inv,p)data_new[columns_name]=valuesexcept:print("Min PARSE ERROR",inv,p)try:columns_name,values=Msg(inv,p)data_new[columns_name]=valuesexcept:print("Msg PARSE ERROR",inv,p)try:columns_name,values=Msz(inv,p)data_new[columns_name]=valuesexcept:print("Msz PARSE ERROR",inv,p)try:columns_name,values=Cav(inv,p)data_new[columns_name]=valuesexcept:print("Cav PARSE ERROR",inv,p)try:columns_name,values=Cmn(inv,p)data_new[columns_name]=valuesexcept:print("Cmn PARSE ERROR",inv,p)           try:columns_name,values=Mai(inv,p)data_new[columns_name]=valuesexcept:print("Mai PARSE ERROR",inv,p)    try:columns_name,values=Mad(inv,p)data_new[columns_name]=valuesexcept:print("Mad PARSE ERROR",inv,p)try:columns_name,values=Std(inv,p)data_new[columns_name]=valuesexcept:print("Std PARSE ERROR",inv,p)   try:columns_name,values=Cva(inv,p)data_new[columns_name]=valuesexcept:print("Cva PARSE ERROR",inv,p)   try:columns_name,values=Cmm(inv,p)data_new[columns_name]=valuesexcept:print("Cmm PARSE ERROR",inv,p)  try:columns_name,values=Cnm(inv,p)data_new[columns_name]=valuesexcept:print("Cnm PARSE ERROR",inv,p)         try:columns_name,values=Cxm(inv,p)data_new[columns_name]=valuesexcept:print("Cxm PARSE ERROR",inv,p)          try:columns_name,values=Cxp(inv,p)data_new[columns_name]=valuesexcept:print("Cxp PARSE ERROR",inv,p)try:columns_name,values=Ran(inv,p)data_new[columns_name]=valuesexcept:print("Ran PARSE ERROR",inv,p)try:columns_name,values=Nci(inv,p)data_new[columns_name]=valuesexcept:print("Nci PARSE ERROR",inv,p)try:columns_name,values=Ncd(inv,p)data_new[columns_name]=valuesexcept:print("Ncd PARSE ERROR",inv,p)try:columns_name,values=Ncn(inv,p)data_new[columns_name]=valuesexcept:print("Ncn PARSE ERROR",inv,p)try:columns_name,values=Bup(inv,p)data_new[columns_name]=valuesexcept:print("Bup PARSE ERROR",inv,p)try:columns_name,values=Pdn(inv,p)data_new[columns_name]=valuesexcept:print("Pdn PARSE ERROR",inv,p) try:columns_name,values=Trm(inv,p)data_new[columns_name]=valuesexcept:print("Trm PARSE ERROR",inv,p)  try:columns_name,values=Cmx(inv,p)data_new[columns_name]=valuesexcept:print("Cmx PARSE ERROR",inv,p)         try:columns_name,values=Cmp(inv,p)data_new[columns_name]=valuesexcept:print("Cmp PARSE ERROR",inv,p)   try:columns_name,values=Cnp(inv,p)data_new[columns_name]=valuesexcept:print("Cnp PARSE ERROR",inv,p) try:columns_name,values=Msx(inv,p)data_new[columns_name]=valuesexcept:print("Msx PARSE ERROR",inv,p)try:columns_name,values=Rpp(inv,p)data_new[columns_name]=valuesexcept:print("Rpp PARSE ERROR",inv,p)try:columns_name,values=Dpp(inv,p)data_new[columns_name]=valuesexcept:print("Dpp PARSE ERROR",inv,p)try:columns_name,values=Mpp(inv,p)data_new[columns_name]=valuesexcept:print("Mpp PARSE ERROR",inv,p)try:columns_name,values=Npp(inv,p)data_new[columns_name]=valuesexcept:print("Npp PARSE ERROR",inv,p)return data_new.columns.size

然后我们用一个小demo来实验一下

import pandas as pd
#data是配好特征和标签的原始数据集
data = pd.read_excel('/Users/zhucan/Desktop/金融风控实战/第三课资料/textdata.xlsx')
data
""" ft 和 gt 表示两个变量名 1-12 表示对应12个月中每个月的相应数值 """
'''ft1 指的是 离申请当天一个月内的数据计算出来的加油次数'''
'''gt1 指的是 离申请当天一个月内的数据计算出来的加油金额'''

data.columns
#Index(['customer_id', 'ft1', 'ft2', 'ft3', 'ft4', 'ft5', 'ft6', 'ft7', 'ft8',
#       'ft9', 'ft10', 'ft11', 'ft12', 'TOB', 'gt1', 'gt2', 'gt3', 'gt4', 'gt5',
#       'gt6', 'gt7', 'gt8', 'gt9', 'gt10', 'gt11', 'gt12'],
#      dtype='object')

data_new = data.copy()
p = 4
inv = 'ft'
auto_data = pd.DataFrame()
for p in range(1,13):for inv in ['ft','gt']:auto_var2(inv,p)
# Mai PARSE ERROR ft 1
# Mad PARSE ERROR ft 1
# Trm PARSE ERROR ft 1
# Mai PARSE ERROR gt 1
# Mad PARSE ERROR gt 1
# Trm PARSE ERROR gt 1
# Trm PARSE ERROR ft 2
# Trm PARSE ERROR gt 2
# Rpp PARSE ERROR ft 7
# Dpp PARSE ERROR ft 7
# Mpp PARSE ERROR ft 7
# Npp PARSE ERROR ft 7
# Rpp PARSE ERROR gt 7
# Dpp PARSE ERROR gt 7
# Mpp PARSE ERROR gt 7
# Npp PARSE ERROR gt 7
# Rpp PARSE ERROR ft 8
# Dpp PARSE ERROR ft 8
# Mpp PARSE ERROR ft 8
# Npp PARSE ERROR ft 8
# Rpp PARSE ERROR gt 8
# Dpp PARSE ERROR gt 8
# Mpp PARSE ERROR gt 8
# Npp PARSE ERROR gt 8
# Rpp PARSE ERROR ft 9
# Dpp PARSE ERROR ft 9
# Mpp PARSE ERROR ft 9
# Npp PARSE ERROR ft 9
# Rpp PARSE ERROR gt 9
# Dpp PARSE ERROR gt 9
# Mpp PARSE ERROR gt 9
# Npp PARSE ERROR gt 9
# Rpp PARSE ERROR ft 10
# Dpp PARSE ERROR ft 10
# Mpp PARSE ERROR ft 10
# Npp PARSE ERROR ft 10
# Rpp PARSE ERROR gt 10
# Dpp PARSE ERROR gt 10
# Mpp PARSE ERROR gt 10
# Npp PARSE ERROR gt 10
# Rpp PARSE ERROR ft 11
# Dpp PARSE ERROR ft 11
# Mpp PARSE ERROR ft 11
# Npp PARSE ERROR ft 11
# Rpp PARSE ERROR gt 11
# Dpp PARSE ERROR gt 11
# Mpp PARSE ERROR gt 11
# Npp PARSE ERROR gt 11
# Tot2T PARSE ERROR ft 12
# Rpp PARSE ERROR ft 12
# Dpp PARSE ERROR ft 12
# Mpp PARSE ERROR ft 12
# Npp PARSE ERROR ft 12
# Tot2T PARSE ERROR gt 12
# Rpp PARSE ERROR gt 12
# Dpp PARSE ERROR gt 12
# Mpp PARSE ERROR gt 12
# Npp PARSE ERROR gt 12

data_new.shape
#(5, 808)
data_new.columns
#Index(['customer_id', 'ft1', 'ft2', 'ft3', 'ft4', 'ft5', 'ft6', 'ft7', 'ft8',
#       'ft9',
#       ...
#       'gt_nci12', 'gt_ncd12', 'gt_ncn12', 'gt_bup12', 'gt_pdn12', 'gt_trm12',
#       'gt_cmx12', 'gt_cmp12', 'gt_cnp12', 'gt_msx12'],
#      dtype='object', length=808)

查看全文
如若内容造成侵权/违法违规/事实不符，请联系编程学习网邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！

2022年最新《小鹿线web前端课程+项目实践课程》
2022年最新《小鹿线web前端课程项目实践课程》 HTML/CSS 2022年最新《小鹿线web前端课程项目实践课程》 JavaScript 2022年最新《小鹿线web前端课程项目实践课程》前端面试题下载地址：百度网盘...
2024/4/18 0:49:11
vue-router使用
vue-router 文章目录**vue**-router(一)基本使用**简单案例****创建router实例****挂载到Vue实例中****步骤一：创建路由组件****步骤二：**配置组件和路径的映射关系**步骤三：**使用路由.**最终效果如下**(二)细节处理1.路由重定向(redirect)2…...
2024/4/17 18:12:11
附加：RequestContextHolder；（可以实现：在非Controller的方法中，获取HttpServletRequest）
说明： （1）为什么写了这篇博客？：在【Spring Boot电商项目11：数据库设计与项目初始化六：使用【AOP】来实现【打印，请求与响应的，日志信息】的需求；&#xff08…...
2024/4/13 4:01:55
java基础案例4-4学生和老师
package com.itheima; import java.util.Scanner;abstract class Person{void speak(){} }class Teacher extends Person{private String name;void setName(String name){this.name name;}String getName(){return name;}void speak(){System.out.println("这道题怎么写…...
2024/5/1 23:29:43
MySQL学习笔记3——JDBC
目录JDBC简介数据库驱动JDBC第一个JDBC程序JDBC中各对象详解statement对象包装成工具类SQL注入问题PreparedStatement对象使用IDEA连接数据库JDBC操作事务数据库连接池DBCP需要用到的JAR包DBCP配置文件工具类测试代码C3P0需要用到的JAR包C3P0配置文件工具类测试代码结论JDBC简介…...
2024/4/16 8:40:32
[Vim] Vim在tmux中颜色改变/不同的问题
问题描述： (Neo)Vim在Tmux中显示的颜色与不使用Tmux时的颜色有差别。尤其在使用colortheme时，Tmux中vim某些颜色不会显示。环境： Windows Terminal SSH连接到Ubuntu 20.04 Fish Shell 3.3.1 Tmux 3.0a Neovim 0.6.1 解决方法&#xff1a…...
2024/4/13 4:01:51
MT4 CRM系统开发及搭建（二）
（五）MT4 CRM后台端 mt4 crm后台端功能：用户管理、注册管理、入金管理、出金管理、信用管理、佣金管理、持仓管理、挂单管理、平仓列表、员工管理、角色管理、在线客服其他mt4 crm后台端功能：可根据平台需求进行定制 &#xff…...
2024/4/28 4:27:51
SQL优化实战案例：给你的数据库提提速
1、MySQL的基本架构 1）MySQL的基础架构图左边的client可以看成是客户端，客户端有很多，像我们经常你使用的CMD黑窗口，像我们经常用于学习的WorkBench，像企业经常使用的Navicat工具，它们都是一个客户端。右边的这一大堆都可以看成是Server(MySQL的服务端)，我们将Server在…...
2024/4/13 4:02:05
云红外辐射反馈在热带气旋发展中的关键作用
摘要： 由热带风暴、飓风和台风——或者更普遍地说，热带气旋(TC)——组成的高云能够非常有效地捕获从地表涌出的红外辐射。这种云红外辐射反馈，被称为“云温室效应”，在TC生命周期的所有阶段，相对于TC的周围环境&#…...
2024/4/20 5:24:20
jcenter() 找不到阿里云代理地址
仓库名称阿里云仓库地址阿里云仓库地址(老版) 源地址 central https://maven.aliyun.com/repository/central https://maven.aliyun.com/nexus/content/repositories/central https://repo1.maven.org/maven2/ jcenter https://maven.aliyun.com/repository/public …...
2024/5/6 11:18:39
O(NlogN)的排序算法总结
小知识点补充 1. 对于求中点mid (LR)/2，若数组开的长度比较大，LR可能会溢出。所以可以写成：mid L(R-L)/2。或者更简化的，mid L((R-L) >> 1)。此处右移一位等于除以二，就是求中点的意思，并且右移比…...
2024/5/6 6:08:02
Kubernetes 管理员认证(CKA)考试笔记(四)
写在前面嗯，准备考 cka证书，报了个班，花了好些钱，一定要考过去。这篇博客是报班听课后整理的笔记，适合温习。博客内容涉及： Helm的基本概念及安装，Helm源配置chart包的安装部署私有Helm源的搭建…...
2024/4/20 0:37:20
2022面试复盘
PART1 一面 Q：同学你好，面试过程中不要离开镜头，如果没听清或者网络出现问题我们及时互相提醒确认。 A：好的，明白！ Q：好，那我先自我介绍一下。我是我们小组的项目负责人xxx&#xff…...
2024/4/13 4:01:41
excel实战应用案例100讲（十七）-Python 操作 Excel 报表实现办公自动化
0. Python Excel库对比我们先来看一下python中能操作Excel的库对比（一共九个库）： 1. Python xlrd 读取操作Excel 1.1 xlrd模块介绍（1）什么是xlrd模块？ python操作excel主要用到xlrd和xlwt这两个库，即xlrd是读excel，xlwt是写excel的库。（2）为什么使用xlrd模块？…...
2024/4/13 4:02:50
3.2_backpack_背包问题
--- 背包问题 ---综合考虑价格和重量1. 分数背包 2. 0-1背包 1. 分数背包 # (价值, 重量) goods [(60, 10), (100, 20), (120, 30)] goods.sort(keylambda x: x[0] / x[1], reverseTrue)def fractional_backpack(goods, w):"""分数背包"""m [0…...
2024/4/13 4:02:55
【超简单】python第七章教学
本章代码比较多，多敲多记多做多想。七.字典和集合 1.字典 1.字典的创建 (1)创建字典并赋值 d1 {} d2 {name:yyx,age:20} print(d1) print(d2)----------------------------- {} {name: yyx, age: 20} d3 {name:{number1:yyx,number:zzy},age:20} print(d…...
2024/4/8 19:41:11
3.1_change_money_找零问题
--- 找零兑换问题 ---作为店家，找零：最少纸币/硬币数1. 贪心策略若硬币体系为：[25,21,10,1]，找零63，则贪心策略失效 2. 递归大量重复计算，极低效 3. 动态规划 1. 贪心策略 def change_greedy(t, n):"…...
2024/4/13 4:02:45
【Unity2D】GameOver制作人物游戏结束菜单
学习目标： 游戏中GameOver菜单是必不可少的游戏部分，今天以游戏SunnyLand来教教大伙怎么制作菜单游戏地址Sunny Land | 2D Characters | Unity Asset StoreElevate your workflow with the Sunny Land asset from Ansimuz. Find this & more Char…...
2024/4/26 17:21:20
Mac端Clion首次运行debug，无法执行解决方案
Mac端Clion首次运行debug，无法执行解决方案将Perferences中的Toochains下的Debuuger设置为gdb即可将Perferences中的Toochains下的Debuuger设置为gdb即可 Mac端Clion首次运行debug，无法执行解决方案...
2024/4/8 19:41:04
Advanced Predictive Model 知识要点总结2
1 Odds and Odds ratio For binominal distribution X∼Bin(N,p)X \sim Bin(N,p)X∼Bin(N,p), YXNY \frac{X}{N}YNX μE(Y)E(X)Np−c′(p)b′(p)−−N/(1−p)N/p(1−p)\mu E(Y) \frac{E(X)}{N}p- \frac{c(p)}{b(p)}-\frac{-N/(1-p)}{N/p(1-p)}μE(Y)NE(X)p−b′(p)c′(…...
2024/4/15 3:19:48

金融风控实战——基于时间序列进行特征衍生

相关文章

最新文章